Open-MAGVIT2: 突破自回归视觉生成的新纪元

RayRay
Open-MAGVIT2视觉生成图像分词器自回归模型大规模词表Github开源项目

Open-MAGVIT2: 突破自回归视觉生成的新纪元

在视觉生成领域,VQGAN作为初始tokenizer长期以来一直发挥着不可或缺的作用,特别是在自回归视觉生成任务中。然而,由于码本大小和利用率的限制,基于VQGAN的自回归生成能力一直被低估。为了突破这一瓶颈,腾讯ARC团队开源了Open-MAGVIT2项目,这是对原始MAGVIT2模型的重新实现,旨在推动自回归视觉生成技术的发展。

项目背景与目标

MAGVIT2提出了一种强大的视觉tokenizer,通过引入新颖的无查找(LookUpFree)量化技术并将码本大小扩展到$2^{18}$,在图像和视频生成任务中展现出令人瞩目的性能。这一技术在近期最先进的自回归视频生成模型VideoPoet中发挥了关键作用。然而,研究界一直无法获取这个强大的tokenizer。

Open-MAGVIT2项目的目标是遵循MAGVIT-2中tokenizer设计的重要见解,并使用PyTorch重新实现它,以期达到与原始模型最接近的结果。该项目希望通过这一努力,能够在自回归视觉生成领域推动创新和创造力的发展。

项目亮点

  1. 最先进的性能: Open-MAGVIT2在8倍下采样时实现了0.39的rFID,超越了VQGAN、MaskGIT以及最近的TiTok、LlamaGen和OmniTokenizer等模型。

  2. 灵活的分辨率支持: 项目提供了针对不同分辨率的训练代码和检查点,包括128x128和256x256的ImageNet模型。

  3. 高度的码本利用率: 相比其他模型,Open-MAGVIT2实现了100%的码本利用率,充分发挥了大规模码本的潜力。

  4. 优秀的重建质量: 在PSNR指标上,Open-MAGVIT2达到了21.53(256x256)和25.78(128x128)的高分,展现出卓越的图像重建能力。

核心技术

Open-MAGVIT2的核心是其视觉tokenizer,由编码器、无查找量化器(LFQ)和解码器组成。这一设计使得模型能够高效地将图像转换为离散的token序列,并在重建过程中保持高质量。

Open-MAGVIT2 Framework

图1: Open-MAGVIT2 tokenizer的框架图,展示了编码器、LFQ和解码器的组成

性能评估

在与其他先进模型的对比中,Open-MAGVIT2展现出显著的优势:

方法Token类型Token数量训练数据码本大小rFIDPSNR码本利用率
VQGAN2D16x16256x256 ImageNet10247.9419.4-
MaskGIT2D16x16256x256 ImageNet10242.28--
LlamaGen2D16x16256x256 ImageNet163842.1920.7997%
Open-MAGVIT22D16x16256x256 ImageNet2621441.5321.53100%

表1: 不同tokenizer在256x256 ImageNet 50k验证集上的重建性能对比

特别值得注意的是,Open-MAGVIT2在128x128分辨率上训练并在512x512分辨率上测试时,仍然保持了出色的性能:

方法Token类型Token数量数据rFID
MAGVIT22D16x16128x128 ImageNet1.21
Open-MAGVIT22D16x16128x128 ImageNet1.56

表2: 与原始MAGVIT2在128x128分辨率上的性能对比

视觉效果展示

Open-MAGVIT2不仅在数据指标上表现优异,在实际的图像重建效果上也令人印象深刻。以下是一些重建结果的可视化:

256x256 Reconstruction

图2: 在256x256分辨率上训练和测试的Open-MAGVIT2 tokenizer重建效果。(a)为原始图像,(b)为重建图像。

512x512 Reconstruction

图3: 在128x128分辨率上训练并在512x512分辨率上测试的Open-MAGVIT2 tokenizer重建效果。(a)为原始图像,(b)为重建图像。

未来展望

Open-MAGVIT2项目目前仍处于早期阶段,团队正在积极开发中。未来的工作计划包括:

  1. 通过大规模训练进一步改进图像tokenizer。
  2. 完成自回归模型的训练。
  3. 开发视频tokenizer及其对应的自回归模型。

这些计划的实现将进一步推动自回归视觉生成技术的发展,为研究者和开发者提供更强大的工具。

结语

Open-MAGVIT2项目为自回归视觉生成领域带来了新的可能性。通过开源实现MAGVIT2的核心技术,该项目不仅展示了卓越的性能,还为整个社区提供了宝贵的研究资源。随着项目的不断发展和完善,我们期待看到更多基于这一技术的创新应用,推动视觉生成技术向更高水平迈进。

对于有兴趣深入了解或参与项目的研究者和开发者,Open-MAGVIT2的GitHub仓库提供了详细的安装指南、训练脚本和评估方法。通过共同努力,我们有望在不久的将来见证自回归视觉生成技术的新突破。

编辑推荐精选

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。

TRELLIS

TRELLIS

用于可扩展和多功能 3D 生成的结构化 3D 潜在表示

TRELLIS 是一个专注于 3D 生成的项目,它利用结构化 3D 潜在表示技术,实现了可扩展且多功能的 3D 生成。项目提供了多种 3D 生成的方法和工具,包括文本到 3D、图像到 3D 等,并且支持多种输出格式,如 3D 高斯、辐射场和网格等。通过 TRELLIS,用户可以根据文本描述或图像输入快速生成高质量的 3D 资产,适用于游戏开发、动画制作、虚拟现实等多个领域。

ai-agents-for-beginners

ai-agents-for-beginners

10 节课教你开启构建 AI 代理所需的一切知识

AI Agents for Beginners 是一个专为初学者打造的课程项目,提供 10 节课程,涵盖构建 AI 代理的必备知识,支持多种语言,包含规划设计、工具使用、多代理等丰富内容,助您快速入门 AI 代理领域。

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

下拉加载更多